Principios de Inteligencia Artificial

1
Principios de Inteligencia Artificial
Representación del conocimiento

• Universidad de Nebrija
• Ramiro Lago
• Curso 2004-5

2
Conocimiento

• Lo que nos interesa es la representación, es
  decir, la modelización del conocimiento
• Orientaciones
• Simbólica la descripción del comportamiento
  inteligente se basa en sistemas simbólicos, más o
  menos formalizados
• Conexionista para describir el comportamiento
  inteligente se modelizan sistemas neuronales

3
Newell

• En 1982 (Knowledge level, Artificial
  Intelligence, 1887-127, 1982) Newell se plantea
  el problema de modelizar el conocimiento de un
  agente racional
• En su visión distingue tres modelos del
  conocimiento, que sirven también para representar
  las fases de construcción de un sistema basado en
  conocimiento

• Nivel de conocimiento (conceptualización)
• Los componentes de este modelo son
• Conocimiento del mundo (relaciones, estados,
  etc.)
• Parte de este conocimiento son las metas
• Conjunto de acciones que le pueden llevar a la
  meta
• El KL posee un carácter abstracto y genérico,
  independiente de los lenguajes de representación
  (lógica, reglas, etc.)

• Conocimiento del agente
• Por ejemplo, el precio del autobús de Madrid a
  Barcelona

• Representación del conocimiento del agente
• Por ejemplo, PrecioBus(Madrid, Barna)

Nivel simbólico (formalización del
conocimiento) Es el modelo simbólico del
conocimiento. La representación mediante símbolos
(lógica, reglas, marcos, etc.)

• Representación interna
• Por ejemplo, una matriz en C o una cláusula en
  Prolog

Nivel de implementación Se modeliza el
conocimiento mediante lenguajes y herramientas
4
Conexionismo

• Dónde está el conocimiento en la red? En toda la
  red
• En la orientación conexionista se trabaja
  directamente desde el nivel de conocimiento al de
  implementación (no hay representación simbólica)
• La red mediante su estructura y los pesos de
  axones y neuronas representa el conocimiento

5
Trazabilidad de los modelos de conocimiento (I)

• El ingeniero debe mantener una traza del
  conocimiento desde el nivel de conocimiento
  hasta el de implementación
• Nivel de conocimiento. Hechos
• la fiebre es alta.
• la fiebre se inició el dia x.
• Nivel de formalización (conocimiento simbólico)
• Magnitud( Fiebre ) Alta. Rango alta / baja
  
• Inicio_temporal( Fiebre ) ik . Rango Fecha
•  Los factores que hemos recogido para analizar un
  hecho son
• Entidad o item (pueden ser varios y tenemos una
  predicación n-aria).
• Característica o predicado de la entidad.
• Rango. Compuesto de posibles valores.

6
Trazabilidad de los modelos de conocimiento (II)

• Nivel de implementación
• /
  
• CLASE HECHO
• 
  /
• class _ACCESO_BASEHEC HECHO
• protected
• int Id
• int Evaluado
• int Tipo
•  
• public
• HECHO Sig // Siguiente hecho de la lista
• PREDICADO far lpPred
• VALOR ValAct
• VALOR ValDef
•  
• HECHO ( int Identif, VALOR far Def, PREDICADO
  far lpPr ) Id(Identif),
• ValDef(Def), ValAct(Def), lpPred(lpPr)

7
Problemas de representación (I)

• Tratamos de encontrar la forma de modelizar que
  sea apropiada para el tratamiento computacional
  de la inferencia.
• Capacidad para modelizar la complejidad. Existen
  representaciones que ayudan a tratar la
  complejidad y otras que añaden mayor complejidad
  al problema, es decir, que nos alejan de la
  solución
• Imaginemos que alguien quiere calcular con
  números romanos
• Si optamos por una mala representación de la
  complejidad, ocurre como un mal contador de
  chistes en vez de mostrar lo hilarante, nos
  aleja de ello
• Es necesario dar con el nivel de detalle adecuado
  al problema. Se trata de que la representación
  tenga la granularidad adecuada
• Debe tener en cuenta que la inferencia se realiza
  sobre conocimiento incompleto o incierto
  (aproximado o con incertidumbre)
• No sabemos si el paciente tiene polaquiuria
• Muy posiblemente el paciente tiene una infección
  del tracto urinario

Por qué no introducir en un ordenador diversas
enciclopedias? Sería una forma eficiente de
almacenar el conocimiento para permitir la
inferencia?
8
Problemas de representación (II)

• El conocimiento debe ser modularizable. Por
  ejemplo, los módulos de reglas de MYCIN
• La notación debe ser comprensible
• Evidentemente, al menos por el ingeniero de IA
• Es conveniente que lo sea por el experto, ya que
  ayuda a la validación de la base de conocimiento.
  Este requisito se puede cumplir en una red
  neuronal?
• Es necesario representar el paso del tiempo
• El paciente tiene fiebre alta desde hace cuatro
  días
• Hoy el embalse esta al borde de la saturación
• La representación debe facilitar la adquisición
  del conocimiento
• Facilita el desarrollo del sistema, al facilitar
  la comunicación entre ingeniero y experto
• Mejora el mantenimiento (por ejemplo, aumentar el
  número de reglas de un sistema
• Facilita la validación en papel

9
Lo procedimental frente a lo declarativo (I)

• Lo declarativo enfatiza lo estático
• Fact(n) n Facf(n-1) Fact(0) 1
• Es una representación declarativa que se centra
  en la descripción. El procedimiento de cálculo
  está implícito en la definición
• Se centra en Qué es el objeto?
• La representación procedimental se centra en el
  carácter dinámico, en las instrucciones o
  acciones para llegar a la solución. Se centra en
  Cómo es el objeto? El conocimiento descriptivo
  queda implícito
• Factorial 1
• Para xn xgt1 x--
• Factorial Factorial x

10
Lo procedimental frente a lo declarativo (II)

• Imaginemos el siguiente procedimiento. Podríamos
  convertirlo en una representación basada en
  reglas SI-ENTONCES o una declarativa basada en
  lógica de predicados?

El cheque es del banco
Pagar
Si
Si
La fecha del cheque es anterior a hoy en un rango
de 0 a 90 días
Hay fondos en cuenta?
Si
Si
Cheque firmado por el tomador y por el pagador
Tomador identificado por DNI
Si
11
Lo procedimental frente a lo declarativo (III)

• El conocimiento procedimental es muy eficiente.
  Pero es
• Difícil de entender
• Difícil de modificar
• El conocimiento es difícil que sea compartido por
  otros sistemas
• El conocimiento declarativo es más entendible,
  modificable y transportable, pero tiene un mayor
  coste computacional
• En una representación exclusívamente
  procedimental el control está en los diferentes
  procedimientos. Ha sido previsto por el
  programador, que ha evaluado todos los posibles
  estados y resultados. Es un tipo de control
  irrevocable
• En un programa inteligente el control lo
  determina en tiempo de ejecución el programa, en
  función del estado del problema. Ejemplo de
  MYCIN
• SI Paciente de alto riesgo AND
• existen reglas de PSEUDOMONAS en la premisa AND
• existen reglas de KLEBSIELLA en la premisa
• ENTONCES es preferible (CF 0,4) evaluar reglas de
  PSEUDOMONAS a las de KLEBSIELLA

12
Formalismos de representación que estudiaremos

• Lógica
• Reglas
• Redes semánticas
• Marcos y guiones
• Casos
• Redes neuronales